USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska) [deprecated]

USFS/GTAC/LCMS/v2021-7
Dostępność zbioru danych
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
Tagi
zmień
change-detection
lasu
gtac
pokrycie terenu,
pochodzące z Landsata
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
seria czasowa
usda
usfs

Opis

Ten produkt jest częścią pakietu danych Landscape Change Monitoring System (LCMS). Wyświetla zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach. Ta wersja LCMS obejmuje kontynentalne Stany Zjednoczone (CONUS) i południowo-wschodnią Alaskę (SEAK).

LCMS to system oparty na teledetekcji, który służy do mapowania i monitorowania zmian w krajobrazie w Stanach Zjednoczonych. Jego celem jest opracowanie spójnego podejścia z wykorzystaniem najnowszych technologii i osiągnięć w zakresie wykrywania zmian, aby stworzyć „najlepszą dostępną” mapę zmian krajobrazu.

Dane wyjściowe obejmują 3 produkty roczne: zmiany, pokrycie terenu i zagospodarowanie terenu. Zmiana dotyczy konkretnie pokrywy roślinnej i obejmuje powolną utratę, szybką utratę (która obejmuje również zmiany hydrologiczne, takie jak zalanie lub wysychanie) oraz przyrost. Te wartości są prognozowane dla każdego roku w ciągu czasowym Landsat i stanowią podstawowe produkty dla LCMS. Mapy pokrycia terenu i użytkowania gruntów przedstawiają pokrycie terenu na poziomie form życia i użytkowanie gruntów na poziomie ogólnym w każdym roku.

Żaden algorytm nie sprawdza się najlepiej w każdej sytuacji, dlatego LCMS wykorzystuje zespół modeli jako predyktory, co zwiększa dokładność map w różnych ekosystemach i procesach zmian (Healey i in., 2018). Powstały zestaw map zmian w LCMS, pokrycia terenu i zagospodarowania terenu przedstawia całościowy obraz zmian w krajobrazie Stanów Zjednoczonych w ciągu ostatnich 4 dekad.

Warstwy predykcyjne modelu LCMS obejmują dane wyjściowe algorytmów wykrywania zmian LandTrendr i CCDC oraz informacje o terenie. Dostęp do tych komponentów i ich przetwarzanie odbywa się za pomocą Google Earth Engine (Gorelick i in., 2017).

Dane Landsat Tier 1 i Sentinel 2A, 2B Level-1C dotyczące odbicia od górnej granicy atmosfery są używane bezpośrednio w CCDC oraz do tworzenia rocznych kompozycji dla LandTrendr. Algorytm maskowania chmur cFmask (Foga i in., 2017), która jest implementacją Fmask 2.0 (Zhu i Woodcock, 2012) (tylko Landsat), cloudScore (Chastain i in., 2019) (tylko Landsat) i s2cloudless (Sentinel-Hub, 2021) (tylko Sentinel 2) są używane do maskowania chmur, a TDOM (Chastain i in., 2019) jest używany do maskowania cieni chmur (Landsat i Sentinel-2). W przypadku LandTrendr obliczany jest następnie roczny medoid, aby podsumować wartości bez chmur i cieni chmur z każdego roku w jednym obrazie kompozytowym.

Złożony ciąg czasowy jest segmentowany czasowo za pomocą algorytmu LandTrendr (Kennedy i in., 2010; Kennedy i in., 2018; Cohen i in., 2018).

Wszystkie wartości bez chmur i cieni chmur są również segmentowane czasowo za pomocą algorytmu CCDC (Zhu i Woodcock, 2014).

Surowe wartości złożone, dopasowane wartości LandTrendr, różnice parami, czas trwania segmentu, wielkość zmiany i nachylenie oraz współczynniki sinus i cosinus CCDC z 1 września (pierwsze 3 harmoniczne), dopasowane wartości i różnice parami, a także wysokość, nachylenie, sinus ekspozycji, cosinus ekspozycji i wskaźniki położenia topograficznego (Weiss, 2001) z 10-metrowego krajowego zbioru danych o wysokości (NED) (Gesch i in., 2009) oraz w przypadku SEAK użyto 30-metrowego modelu NED. Są one używane jako niezależne zmienne predykcyjne w modelu Random Forest (Breiman, 2001).

Dane referencyjne są zbierane za pomocą TimeSync, narzędzia internetowego, które pomaga analitykom wizualizować i interpretować dane Landsat z lat 1984–obecnie (Cohen i wsp., 2010).

Dodatkowe materiały

W razie pytań lub próśb o konkretne dane skontaktuj się z [sm.fs.lcms@usda.gov]. * Breiman, L., 2001. Random Forests. w uczeniu maszynowym. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. i Tenneson, K., 2019 r. Empiryczne porównanie czujników MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM+ na satelicie Landsat-7 pod względem charakterystyki spektralnej na szczycie atmosfery nad kontynentalną częścią Stanów Zjednoczonych. W Remote Sensing of Environment. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010. Wykrywanie trendów w zakłóceniach i regeneracji lasów za pomocą rocznych szeregów czasowych Landsat: 2. TimeSync – narzędzia do kalibracji i weryfikacji. W Remote Sensing of Environment. Science Direct, 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W Remote Sensing of Environment. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017 r. Porównanie i weryfikacja algorytmu wykrywania chmur w przypadku operacyjnych produktów danych Landsat. W Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Gesch, D., Evans, G., Mauck, J., Hutchinson, J., & Carswell, W. J. 2009 r. The National Map - Elevation. W Fact Sheet, doi:10.3133/fs20093053

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J. Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L. i Zhu, Z., 2018 r. Mapping forest change using stacked generalization: An ensemble approach (Mapowanie zmian w lasach za pomocą uogólnienia warstwowego: podejście zespołowe). W Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010. Wykrywanie trendów w zakresie zaburzeń i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008

  • Kennedy, R., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W. i Healey, S., 2018 r. Implementacja algorytmu LandTrendr w Google Earth Engine. w teledetekcji. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Dostępne na: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. (2012). Wykrywanie chmur i cieni chmur na obrazach Landsat na podstawie obiektów. W Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014. Ciągłe wykrywanie zmian i klasyfikacja pokrycia terenu z użyciem wszystkich dostępnych danych Landsat. W Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

Pasma

Rozmiar piksela
30 m

Pasma

Nazwa Rozmiar piksela Opis
Change metry

Final thematic LCMS change product. W przypadku każdego roku mapowane są 3 klasy zmian (powolna utrata, szybka utrata i przyrost). Każda klasa jest prognozowana za pomocą osobnego modelu lasu losowego, który podaje prawdopodobieństwo (proporcję drzew w modelu lasu losowego), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 3 różne dane wyjściowe modelu dla każdego roku. Ostateczne klasy są przypisywane do klasy zmian o najwyższym prawdopodobieństwie, które jest również powyżej określonego progu. Każdy piksel, który nie ma żadnej wartości powyżej odpowiedniego progu każdej klasy, jest przypisywany do klasy Stabilna.
Land_Cover metry

Końcowy tematyczny produkt dotyczący pokrycia terenu LCMS. Łącznie 14 klas pokrycia terenu jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który podaje prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 14 różnych wyników modelu dla każdego roku, a ostateczne klasy są przypisywane do pokrycia terenu o najwyższym prawdopodobieństwie. 7 z 14 klas pokrycia terenu wskazuje pojedyncze pokrycie terenu, w którym dany typ pokrycia terenu zajmuje większość obszaru piksela, a żadna inna klasa nie zajmuje więcej niż 10% piksela. Dostępnych jest też 7 zajęć mieszanych. Są to piksele, w których dodatkowa klasa pokrycia terenu zajmuje co najmniej 10% powierzchni.
Land_Use metry

Końcowy tematyczny produkt LCMS dotyczący użytkowania gruntów. Łącznie 6 klas użytkowania gruntów jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który podaje prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 6 różnych wyników modelu dla każdego roku, a klasy końcowe są przypisywane do użytkowania gruntów o najwyższym prawdopodobieństwie.
Change_Raw_Probability_Slow_Loss metry

Surowe prawdopodobieństwo utraty klienta w modelu LCMS. Definicja: Slow Loss obejmuje te klasy z procesu zmian TimeSync, które są interpretowane jako:

  • Spadek strukturalny – obszar, na którym drzewa lub inna roślinność drzewiasta zostały fizycznie zmienione przez niekorzystne warunki wzrostu spowodowane czynnikami nieantropogenicznymi lub niemechanicznymi. Tego typu utrata powinna zwykle tworzyć trend w sygnałach spektralnych (np. spadek NDVI, spadek wilgotności, wzrost SWIR itp.), ale trend może być subtelny. Spadek strukturalny występuje w środowiskach z roślinnością drzewiastą, najprawdopodobniej z powodu owadów, chorób, suszy, kwaśnych deszczów itp. Spadek strukturalny może obejmować defoliację, która nie powoduje śmiertelności, np. w przypadku inwazji brudnicy nieparki i zwójki jodłowej, które mogą ustąpić w ciągu 1–2 lat.

  • Spadek spektralny – wykres, na którym sygnał spektralny wykazuje trend w jednym lub większej liczbie pasm lub indeksów spektralnych (np. spadek NDVI, spadek wilgotności, wzrost SWIR itp.). Przykłady obejmują przypadki, w których: a) roślinność nieleśna lub niezdrewniała wykazuje trend sugerujący spadek (np.zmniejszenie NDVI, zmniejszenie wilgotności, zwiększenie SWIR itp.) lub b) roślinność zdrewniała wykazuje trend spadkowy, który nie jest związany z utratą roślinności zdrewniałej, np. gdy dojrzałe korony drzew zamykają się, co powoduje zwiększenie zacienienia, gdy skład gatunkowy zmienia się z drzew iglastych na liściaste lub gdy okres suchy (w przeciwieństwie do silniejszej, bardziej dotkliwej suszy) powoduje pozorny spadek wigoru, ale nie utratę materiału zdrewniałego ani powierzchni liści.
Change_Raw_Probability_Fast_Loss metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa szybkiej utraty. Definicja: Szybka utrata obejmuje następujące klasy z procesu zmiany TimeSync:

  • Pożar – obszar zmieniony przez pożar, niezależnie od przyczyny zapłonu (naturalnej lub antropogenicznej), nasilenia lub sposobu użytkowania gruntu.

  • Zbiory – obszar leśny, na którym drzewa, krzewy lub inna roślinność zostały ścięte lub usunięte przez człowieka. Przykłady: wycinka całkowita, wycinka ratunkowa po pożarach lub plagach owadów, przerzedzanie i inne metody zarządzania lasami (np. wycinka w celu uzyskania schronienia lub pozyskania nasion).

  • Mechaniczne – obszary nieleśne, na których drzewa, krzewy lub inna roślinność zostały mechanicznie usunięte lub wycięte za pomocą łańcuchów, skrobaków, pił do krzewów, buldożerów lub innych metod usuwania roślinności nieleśnej.

  • Wiatr/lód – obszar (niezależnie od sposobu użytkowania), na którym roślinność została zmieniona przez wiatr podczas huraganów, tornad, burz i innych ekstremalnych zjawisk pogodowych, w tym przez marznący deszcz podczas burz lodowych.

  • Hydrologia – obszary, na których powódź znacząco zmieniła pokrycie drzewami lub inne elementy pokrycia terenu niezależnie od sposobu użytkowania gruntu (np. nowe mieszanki żwiru i roślinności w korytach rzek i wokół nich po powodzi).

  • Debris - Land (regardless of use) altered by natural material movement associated with landslides, avalanches, volcanos, debris flows, etc.

  • Inne – obszary lądowe (niezależnie od sposobu wykorzystania), w przypadku których trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można określić ostatecznej przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesu zmian zdefiniowanych powyżej.
Change_Raw_Probability_Gain metry

Surowe dane LCMS dotyczące modelowanego prawdopodobieństwa zysku. Definicja: obszar, na którym w ciągu co najmniej roku nastąpił wzrost pokrywy roślinnej w wyniku wzrostu i sukcesji. Dotyczy wszystkich obszarów, w których mogą wystąpić zmiany spektralne związane z odrastaniem roślinności. Na obszarach zagospodarowanych wzrost może wynikać z dojrzewania roślinności lub nowo założonych trawników i ogrodów. W lasach wzrost obejmuje wzrost roślinności na nieużytkach, a także wzrost drzew średnich i współdominujących oraz niżej położonych traw i krzewów. Segmenty wzrostu/regeneracji zarejestrowane po wycince lasu prawdopodobnie będą przechodzić przez różne klasy pokrycia terenu w miarę regeneracji lasu. Aby te zmiany można było uznać za wzrost lub powrót do stanu sprzed zmian, wartości spektralne powinny ściśle odpowiadać rosnącej linii trendu (np.dodatniemu nachyleniu, które po przedłużeniu do ok. 20 lat osiągnęłoby wartość ok .0, 10 jednostki NDVI) utrzymującej się przez kilka lat.
Land_Cover_Raw_Probability_Trees metry

Surowe, modelowane przez LCMS prawdopodobieństwo występowania drzew. Definicja: większość piksela stanowią żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix metry

Surowe prawdopodobieństwo modelowane LCMS dla mieszanki wysokich krzewów i drzew (tylko SEAK). Definicja: większość piksela zajmują krzewy o wysokości powyżej 1 m, a co najmniej 10% piksela stanowią żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki krzewów i drzew. Definicja: większość piksela stanowią krzewy, a co najmniej 10% – żywe lub martwe stojące drzewa.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix metry

Surowe prawdopodobieństwo modelowane na podstawie LCMS dla mieszanki traw, roślin zielnych i drzew. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% – żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia obszarów nieużytków i mieszanki drzew. Definicja: większość piksela to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary stale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z żywych lub martwych drzew.
Land_Cover_Raw_Probability_Tall-Shrubs metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania wysokich krzewów (tylko południowo-wschodnia Alaska). Definicja: większość piksela zajmują krzewy o wysokości powyżej 1 m.
Land_Cover_Raw_Probability_Shrubs metry

Surowe prawdopodobieństwo występowania krzewów w modelu LCMS. Definicja: większość piksela stanowią krzewy.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix metry

Surowe prawdopodobieństwo modelowane przez LCMS dla mieszanki traw, roślin zielnych i krzewów. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% – krzewy.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki roślinności jałowej i krzewów. Definicja: większość piksela to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary stale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z krzewów.
Land_Cover_Raw_Probability_Grass-Forb-Herb metry

Surowe prawdopodobieństwo LCMS modelowane dla trawy/rośliny zielnej/zioła. Definicja: większość piksela zajmują trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix metry

Surowe prawdopodobieństwo modelowane LCMS dla obszarów nieużytków i mieszanki traw, roślin zielnych i zioł. Definicja: większość piksela zajmuje goła gleba odsłonięta w wyniku zaburzeń (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, takie jak pustynie, wyschnięte jeziora, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z wieloletnich traw, roślin zielnych lub innych form roślinności zielnej.
Land_Cover_Raw_Probability_Barren-or-Impervious metry

Surowe prawdopodobieństwo modelu LCMS dla obszarów nieużytków lub nieprzepuszczalnych. Definicja: większość piksela stanowią 1) odsłonięta gleba, która została odsłonięta w wyniku zaburzeń (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasów), a także obszary trwale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki lub 2) materiały wytworzone przez człowieka, przez które woda nie może przeniknąć, takie jak drogi utwardzone, dachy i parkingi.
Land_Cover_Raw_Probability_Snow-or-Ice metry

Surowe, modelowane prawdopodobieństwo wystąpienia śniegu lub lodu w ramach LCMS. Definicja: większość piksela składa się ze śniegu lub lodu.
Land_Cover_Raw_Probability_Water metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia wody. Definicja: większość piksela to woda.
Land_Use_Raw_Probability_Agriculture metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania rolnictwa. Definicja: grunty wykorzystywane do produkcji żywności, włókien i paliw, które są pokryte roślinnością lub nie. Obejmuje to między innymi uprawne i nieuprawne grunty rolne, łąki, sady, winnice, fermy zwierząt, a także obszary obsadzone w celu produkcji owoców, orzechów lub jagód. Drogi wykorzystywane głównie do celów rolniczych (tzn. nieużywane do transportu publicznego między miastami) są uważane za grunty rolne.
Land_Use_Raw_Probability_Developed metry

Surowe, modelowane prawdopodobieństwo LCMS, że nastąpił rozwój. Definicja: obszar pokryty konstrukcjami stworzonymi przez człowieka (np. gęsta zabudowa mieszkaniowa, handlowa, przemysłowa, górnicza lub transportowa) lub mieszanka roślinności (w tym drzew) i konstrukcji (np. rzadka zabudowa mieszkaniowa, trawniki, obiekty rekreacyjne, cmentarze, korytarze transportowe i użytkowe itp.), w tym wszelkie obszary funkcjonalnie zmienione przez działalność człowieka.
Land_Use_Raw_Probability_Forest metry

Surowe prawdopodobieństwo lasu modelowane za pomocą LCMS. Definicja: obszar, na którym rosną drzewa lub inne rośliny, i który w pewnym momencie w najbliższej przyszłości będzie pokryty drzewami w co najmniej 10%. Może to obejmować liściaste, wiecznie zielone lub mieszane kategorie lasów naturalnych, plantacji leśnych i zadrzewionych terenów podmokłych.
Land_Use_Raw_Probability_Non-Forest-Wetland metry

Surowe modelowane prawdopodobieństwo LCMS dotyczące mokradeł nieleśnych. Definicja: tereny przylegające do widocznego poziomu wód gruntowych lub znajdujące się w jego obrębie (trwale lub sezonowo nasycone wodą), na których dominują krzewy lub trwałe rośliny wynurzone. Mogą one znajdować się na brzegach jezior, kanałów rzecznych lub estuariów, na terenach zalewowych rzek, w odizolowanych zlewniach lub na zboczach. Mogą też występować jako zagłębienia na preriach, rowy odwadniające i stawy w krajobrazie rolniczym, a także jako wyspy na środku jezior lub rzek. Inne przykłady to bagna, torfowiska, moczary, grzęzawiska, muskegi, mokradła, trzęsawiska i rozlewiska.
Land_Use_Raw_Probability_Other metry

Surowe prawdopodobieństwo LCMS modelowane dla kategorii Inne. Definicja: obszar (niezależnie od sposobu użytkowania), w którym trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można określić ostatecznej przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesu zmiany zdefiniowanych powyżej.
Land_Use_Raw_Probability_Rangeland-or-Pasture metry

Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia pastwisk lub łąk. Definicja: ta klasa obejmuje każdy obszar, który: a) pastwiska, na których roślinność składa się z mieszanki rodzimych traw, krzewów, ziół i roślin podobnych do traw, w dużej mierze wynikających z czynników i procesów naturalnych, takich jak opady, temperatura, wysokość nad poziomem morza i pożary, chociaż ograniczone zarządzanie może obejmować kontrolowane wypalanie, a także wypasanie przez domowe i dzikie roślinożercy; lub b) Pastwisko, na którym roślinność może obejmować mieszankę w dużej mierze naturalnych traw, roślin zielnych i ziół, a także bardziej kontrolowaną roślinność zdominowaną przez gatunki traw, które zostały zasiane i są pielęgnowane w celu utrzymania niemal monokultury.
QA_Bits metry

Informacje dodatkowe o pochodzeniu rocznych wartości wyjściowych usługi LCMS.

Zmień tabelę zajęć

Wartość Kolor Opis
1 #3d4551

Stabilny
2 #f39268

Powolna utrata
3 #d54309

Szybka utrata
4 #00a398

Wzmocnienie
5 #1b1716

Maska obszaru nieprzetwarzanego

Tabela klas Land_Cover

Wartość Kolor Opis
1 #005e00

drzewa,
2 #008000

Mieszanka wysokich krzewów i drzew (tylko SEAK)
3 #00cc00

Mieszanka krzewów i drzew
4 #b3ff1a

Mieszanka traw, ziół i drzew
5 #99ff99

Barren & Trees Mix
6 #b30088

Wysokie krzewy (tylko w południowo-wschodniej Azji)
7 #e68a00

Krzewy
8 #ffad33

Mieszanka traw, roślin zielnych i krzewów
9 #ffe0b3

Mieszanka na nieużytki i krzewy
10 #ffff00

Trawa/roślina zielna/zioło
11 #aa7700

Mieszanka jałowa i traw/roślin zielnych
12 #d3bf9b

Nieporośnięte lub nieprzepuszczalne
13 #ffffff

Śnieg lub lód
14 #4780f3

Woda
15 #1b1716

Maska obszaru nieprzetwarzanego

Tabela klasy Land_Use

Wartość Kolor Opis
1 #efff6b

Rolnictwo
2 #ff2ff8

Opracowane
3 #1b9d0c

Las
4 #97ffff

Nieleśne tereny podmokłe
5 #a1a1a1

Inne
6 #c2b34a

Pastwiska lub łąki
7 #1b1716

Maska obszaru nieprzetwarzanego

Właściwości obrazu

Właściwości obrazu

Nazwa Typ Opis
study_area CIĄG ZNAKÓW

LCMS obejmuje obecnie kontynentalną część Stanów Zjednoczonych, południowo-wschodnią Alaskę oraz Portoryko i Wyspy Dziewicze Stanów Zjednoczonych. Ta wersja zawiera dane wyjściowe dla kontynentalnej części Stanów Zjednoczonych i południowo-wschodniej Alaski. Możliwe wartości: „CONUS, SEAK”

Warunki korzystania z usługi

Warunki usługi

USDA Forest Service nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich niewłaściwe lub nieprawidłowe wykorzystanie. Te dane geoprzestrzenne i powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie są przeznaczone do wykorzystywania w tym charakterze. Danych i map nie można używać do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.

Dane te zostały zebrane przy użyciu środków finansowych rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień lub opłat. Jeśli wykorzystujesz te dane w publikacji, prezentacji lub innym produkcie badawczym, użyj następującego cytatu:

USDA Forest Service. 2022 r. USFS Landscape Change Monitoring System v2021.7 (kontynentalna część Stanów Zjednoczonych i południowo-wschodnia Alaska). Salt Lake City, Utah.

Cytaty

Cytaty:

  • USDA Forest Service. 2022 r. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

Odkrywanie za pomocą Earth Engine

Edytor kodu (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2021-7');

var lcms = dataset.filterDate('2020', '2021')  // range: [1985, 2021]
               .filter('study_area == "CONUS"')  // or "SEAK"
               .first();

Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover');
Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use');
Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false);

Map.setCenter(-98.58, 38.14, 4);
Otwórz w edytorze kodu
Ten produkt jest częścią pakietu danych Landscape Change Monitoring System (LCMS). Wyświetla zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach. Ta wersja LCMS obejmuje kontynentalne Stany Zjednoczone (CONUS) i południowo-wschodnią Alaskę (SEAK). LCMS to system oparty na teledetekcji, służący do mapowania i monitorowania krajobrazu…
USFS/GTAC/LCMS/v2021-7, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs
1985-06-01T00:00:00Z/2021-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine